Ave: Руководящие агентские методы оптимизации ГПС с использованием данных

arXiv:2604.18616v2 Annuales Type: заменить кросс-бюллетень: агенты по кодированию LLM могут генерировать правильные ядра GPU, но их производительность все еще ведет к созданию экспертных библиотек. Для достижения пиковой пропускной способности требуется координация таких низкоуровневых оптимизирующих процессов, как совместное использование памяти, прокатывание программного обеспечения и составление графика обучения. Вместе с тем единичные испытания и профили дают лишь ограниченную отвязку между конечной точкой, что затрудняет выявление агентами того, какие глобальные ограничения являются нарушением оптимизации. Мы представляем Ave, агентическую систему, в которой для оптимизации ядра ГПС используются инварианты потока данных в качестве ограждений для компилирования времени. Ave предоставляет плиточный Pythonic DSL, который разоблачает инструкции по аппаратным средствам и политику компилятора при абстракции сложных схем памяти. Функции метки присваивают символические знаки данным, компилятор распространяет их с помощью потока данных и контрольных потоков, а утверждения о том, что метка обеспечивает соблюдение требований в отношении взаимоотношений на участках использования. Анализ с учетом чувствительности к потоку, незащищенной от путей, с помощью SMT-распределителя проверяет эти утверждения и